计算机视觉处理算法基础及视觉特征提取

1. 画图解释图像卷积滤波的基本原理，并进一步简述常见的图像平滑滤波算法。
   图像卷积(Image Convolution)是卷积核与对应图像的乘积再相加。在图像卷积滤波中，不同算法的区别在于卷积核的不同。
   对于滤波器的要求：1、滤波器大小应为奇数，这样才有中心和半径的概念。2、为保证滤波后图像亮度不变，卷积核所有元素之和应等于1。如果大于1则图像会更亮，反之则更暗。3、滤波后的结构有可能出现负数或大于255的值，直接截断为0到255即可，负数也可取绝对值。
   
   常见的图像平滑滤波算法：
   平均滤波（卷积核每个格子的值取1，再除值的累积总和）、
   加权平均滤波（卷积核采用高斯模版时为高斯滤波——草帽形状高斯函数）、
   中值平均滤波（将卷积核范围内的图像矩阵值排列，取中位数）、
   数学形态学滤波（先开后闭可以有效去除噪声）与卷积方法稍有不同，它是基于集合的方法。以膨胀为例，如图所示，在按核对原图像平移后取并集得到结果。
   
   查资料（link).可得，图像卷积滤波不仅用于去噪，还可以用于锐化（Sharpness Filter）、边缘检测（Edge Detection）、浮雕（Embossing Filter）、图像模糊（例如高斯模糊（ Gaussian Blur）、均值模糊等），区别在于卷积核的不同。

2. 简述边缘检测的基本原理，以及Sobel、LoG和Canny算子的原理差异。

   首先花十几分钟学习下差分是啥（link）
   
   边缘检测的本质是微分（在计算机中一般不用导数，因为导数有可能出现无穷大的值导致无法计算；区别：导数为某点的斜率，微分：固定dx后的dy，差分：离散函数的微分）。实际中常用差分并且分x方向与y方向，好处是可以减小计算量。同时微分对噪声很敏感，需要进行滤波。
   Sobel、LoG和Canny算子的原理差异。上一题的回答已经指出，卷积核的不同是卷积方式的核心区别，同时处理步骤上也有写不同。canny算子的计算步骤为同时计算平滑和微分、梯度计算、梯度幅值非极大值抑制。它的 最好，可以自动连接边缘。但是容易把噪点误判为边界。sobel prewitt log 效果差不多。prewitt比sobel 去噪效果好。roberts马马虎虎。适合什么图片那得看图片的噪点情况，一般canny 算子是最好的。

3. 简述图像直方图的基本概念，及使用大津算法进行图像分割的基本原理。
   图像直方图是统计图像中各个颜色要素的分布直方图。在将图像二值化时，往往难以确定最佳的阈值，而他可以通过大津算法可以自动确定，其原理是使灰度直方图背景和目标的两峰类间方差最大。

4. 简述Harris算子对角点的定义，进行角点检测的基本原理，并说明引入角点响应函数的意义。
   定义：进行任意方向的灰度积分值均剧烈变化的点。基本原理：对图像像素点按不同方向进行灰度积分。若为平坦区域（Flat region）灰度积分变化不大；若为边缘（Edge）灰度积分眼某一方向变化大；若为角点（Corner）则沿任意方向变化大。
   
   Harris角点检测原理如图，在边缘处不易界定灰度变化是否剧烈，所以引入角点响应函数。

5. 简述Hough变换的基本原理(包括参数空间变换及参数空间划分网格统计)。
   为了提高鲁棒性（Robustness）而使用参数空间变换的方法，将直线投影为参数空间的一个点，而直线上的点投影为正弦曲线，一条直线上的点投影出来的正弦曲线会相交为一个点。利用空间划分网格，将同一网格上的点统计起来并计数，当达到一定数量（阈值）的时候，将这个点记录为所求的直线。

6. 简述SIFT原理(重点是尺度空间和方向直方图原理)及ORB算子原理(重点是FAST和BRIEF)。
   Scale Invariant Feature Transform（尺度不
   变特征变换）,特点是对旋转、尺度缩放、亮度变化等保持不变性，是一种稳定的局部特征。尺度空间：尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目标由近到远时目标在视网膜上的形成过程。计算机模仿人体组建尺度空间，通过把不同尺度的图像提供给计算机来构建。在具体操作中，可以先通过高斯函数与原图像卷积，然后经过下采样建立原始图像的尺度空间模型。方向直方图：为了使检测出的关键点具有旋转不变性，所以要为每一个关键点分配一个基准方向，将基准方向从0到360度统计出来并生成梯度方向直方图，并将直方图的顶峰作为主方向，80%以上作为辅方向。将每一个点的位置、尺度、方向统计后生成描述符即可描述图像并不随各种变化而改变，比如光照变化、视角变化等等。
   ORB（Oriented FAST and Rotated BRIEF）是一种快速特征点提取和描述的算法。其分为两部分，特征点选取和特征点描述，分别由FAST（Features from Accelerated Segment Test）算法和BRIEF（Binary Robust Independent Elementary Features）算法发展而来。ORB = oFast + rBRIEF，据称ORB算法的速度是sift的100倍。在SLAM及无人机视觉中有广泛应用。称为oFast（FAST keypoint Orientation）是为了实现旋转不变性而加入了特征点描述方向。通过灰度值的大小来选定特征点，然后建立金字塔和利用矩法实现尺度不变性和旋转不变性。ORB的特征描述称为rBRIEF（Rotation-Aware Brief），即在BRIEF的基础上加入旋转因子。BRIEF算法将像素点两两配对，并将按大小将每对像素以0或1标记。